Is Surface Roughness a “Scapegoat” or a Primary Factor When Defining Particle−Substrate Interactions?
Notice bibliographique
Résumé
Extended DLVO interaction potentials were determined for spherical particles approaching nanopatterned substrates using the numerical surface element integration (SEI) technique. In most cases, nanopatterned ("rough") surfaces produced smaller interaction potentials than chemically identical planar ("smooth") surfaces. For unfavorable scenarios, electrostatic double layer and acid-base potentials were reduced to a greater extent than van der Waals potentials, which made rough surfaces "more attractive" than smooth ones. Two influential surface morphological descriptors emerged: (1) the ratio of particle size to asperity size, a/r, and (2) the ratio of asperity separation to asperity size, p/r. As a/r increased, particle-substrate interaction energy decreased, while the opposite was true for p/r. The simple morphological descriptors gave rise to an analytical model based on the Derjaguin integration (DI) method that compared reasonably well with numerical SEI results, where the size and density of nanopatterned surface features dictated the magnitude of interaction potentials. In fact, changes in the size of nanopatterned surface features impacted the magnitudes of interaction potentials to the same extent as similar changes in the magnitudes of acid-base free energy and zeta potential, which begs the question, "is surface morphology a 'scapegoat' or a primary consideration when defining particle-substrate interactions?"
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».